fiche thématique 6.1 la corrélation entre deux matrices de ...ade-4 / fiche thématique 6.1 / 12 -...
TRANSCRIPT
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 1
Fiche thématique 6.1
La corrélation entre deux matrices de distances
euclidiennes
Résumé
La fiche décrit deux stratégies pour étudier la corrélation entre deux matrices de distances. La première est toujours possible par le test de Mantel. La seconde est réservée aux matrices euclidiennes. Elle utilise le test RV. Les deux tests sont voisins mais la signification du second est interprétable par une analyse de co-inertie entre deux représentations euclidiennes. On discute alors des possibilités qui existent entre couplages de tableaux et couplage de représentations euclidiennes de matrices de distances. L’usage de distances euclidiennes est alors vivement conseillé. L’approche géométrique unifie les deux points de vue.
Plan
INTRODUCTION....................................................................................................................2
LA REPRESENTATION EUCLIDIENNE D’UNE MATRICE DE DISTANCES ................................5
LA CORRELATION ENTRE LES DISTANCES .........................................................................8
DIVERSES SITUATIONS ..................................................................................................... 13
DISTANCES ET ANALYSES SIMPLES ................................................................................ 20
REFERENCES ................................................................................................................... 27
D. Chessel & J. Thioulouse
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 2
Introduction
Lorsqu’on dipose de deux matrices de distances sur les mêmes objets, on mesure habituellement la
corrélation entre les deux mesures de distance par le test de Mantel 1. Lorsque ces deux matrices
sont euclidiennes, ADE-4 propose de mesurer cette corrélation par le test RV. La fiche explicite
l’intérêt pratique de cette modification. On prendra les données de la carte Butterfl proposées dans 2
après 3.
Le tableau de variables environnementales supporte une ACP normée :
Correlation matrix ------ [ 1] 1000 [ 2] 567 1000 [ 3] -828 -479 1000 [ 4] -936 -705 719 1000 -------------------------
Altitude
Temp_Max
Temp_Mi
Précipitation
Cette analyse définit une distance environnementale entre deux stations, très simplement par :
( ) ( )( )
2
1,
varp ik jk
e kk
x xd i j
=
−= ∑
x
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 3
Distance matrix computation from a statistical triplet ------------------------------------------ Input file: E:\Ade4\BUTTERFL\ButEnvir.cnta It has 16 rows and 4 columns Distances are computed among rows ------------------------------------------ Computed distances use the diagonal metric and the centered table of the triplet Output file: E:\Ade4\BUTTERFL\ButEnvir_MDcn It has 120 rows and 1 columns d(2,1), d(3,1), d(3,2),..., d(n,1), d(n,2), ... d(n,n-1) Text file: E:\Ade4\BUTTERFL\ButEnvir_MDcn.dma 1 -> 16 2 -> 1 3 -> Euclidean distance from triplet E:\Ade4\BUTTERFL\ButEnvir.cnta 4 -> TRUE ------------------------------------------
Cette matrice de distances est euclidienne par définition. Les distances entre deux stations sont calculées comme distances entre points de 4R . Le nuage des points dont les distances deux à deux sont dans cette matrice sont représentés au mieux par la carte factorielle :
SS
SB
WSBJRCJRH
SJ
CR
UO
LODP
PZ
MC
IFAF
GH GL
-1.5
2.5-2 6
On peut calculer la distance effective entre points sur cette carte :
Distance matrix computation ------------------------------------------ Input file: E:\Ade4\BUTTERFL\ButEnvir.cnli It has 16 rows and 2 columns Distances are computed among rows ------------------------------------------ Canonical distances computed Output file: dcooli_EU It has 120 rows and 1 columns d(2,1), d(3,1), d(3,2),..., d(n,1), d(n,2), ... d(n,n-1) Text file: dcooli_EU.dma
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 4
1 -> 16 2 -> 1 3 -> Classical metric on E:\Ade4\BUTTERFL\ButEnvir.cnli 4 -> TRUE ------------------------------------------
Le lien entre la distance représentée sur la carte et la distance effective dans l’espace est fort :
Cette manière de voir le lien entre deux matrices de distances est celui du test de Mantel. La distance calculée sur les deux premières coordonnées factorielles est proche de la distance calculée sur les 4 variables de départ. En fait, la représentation ci-dessus est inexacte. Il vaut mieux représenter la distance projetée en fonction de la distance initiale (ci-dessous à gauche) :
7
7
Distancesprojetées
Distancesinitiales
49
49 Carrés desdistancesprojetées
Carrés des distances initiales
Le nuage de points est entièrement sous la droite y x= . Voir l’interprétation de cette figure dans 4
p. 118. En fait, il vaudrait mieux encore représenter les distances au carrés (ci-dessus, à droite). Cette opération fort simple montre que l’objectif de l’ACP est de représenter sur la carte factorielle la plus grande part possible des carrés des distances entre points du nuage initial. On a :
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 5
( ) ( )2 2
1 1, ,
n n
e pi id i j d i j Erreur
= == +∑ ∑
La part représentée sur le plan factoriel est alors exactement :
( )( )
2
1 1 2
21 21
,
,
n
pin
pei
d i j
d i j
λ λλ λ λ
=
=
+=
+ + +∑∑ …
Dans S-PLUS, on a : > w_princomp(butenvir,cor=T)$sdev > w Comp. 1 Comp. 2 Comp. 3 Comp. 4 1.771848 0.7584027 0.5032749 0.1791484 > w*w Comp. 1 Comp. 2 Comp. 3 Comp. 4 3.139446 0.5751746 0.2532856 0.03209416 > sum(w*w) [1] 4 > w_w*w > (w[1]+w[2])/sum(w) Comp. 1 0.9286551
Dans ADE-4 : Total inertia: 4 ----------------------- Num. Eigenval. R.Iner. R.Sum |Num. Eigenval. R.Iner. R.Sum | 01 +3.1394E+00 +0.7849 +0.7849 |02 +5.7517E-01 +0.1438 +0.9287 | 03 +2.5329E-01 +0.0633 +0.9920 |04 +3.2094E-02 +0.0080 +1.0000 |
On vérifie alors que :
( )( )
2
1
2
1
, 950.940.9287
1023.00,
n
pin
ei
d i j
d i j=
=
= =∑∑
On voit ici que le lien entre distances projetées (calculées sur les coordonnées) et distances de départ (calculées sur les variables) n’est pas du type corrélation simple. On dirait ici que 93% des carrés des distances de départ sont représentées sur la carte factorielle et qu’il est impossible de faire mieux par projection sur un plan. On part ici d’un nuage de points dont l’analyse représente au mieux les distances deux à deux. Partons maintenant d’une matrice de distances.
La représentation euclidienne d’une matrice de distances
Les données biologiques sont des profils de fréquences alléliques. On peut calculer les distances entre populations :
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 6
Distance amongst frequency distributions Input file: E:\Ade4\BUTTERFL\But_Biol It has 16 rows and 6 columns Distances are computed among rows d5 = sqrt (1 - (Sum(sqrt(p(i)q(i)))) Edwards 1971 in Hartl & Clark 1989 Output file: E:\Ade4\BUTTERFL\But_Biol_Fre5 It has 120 rows and 1 columns d(2,1), d(3,1), d(3,2),..., d(n,1), d(n,2), ... d(n,n-1) Text file: E:\Ade4\BUTTERFL\But_Biol_Fre5.dma 1 -> 16 2 -> 1 3 -> EDWARDS on E:\Ade4\BUTTERFL\But_Biol 4 -> TRUE
Cette distance est euclidienne. Il existe un nuage de points dans un sous-espace dont les distances sont celles de la matrice.
Input file: E:\Ade4\BUTTERFL\But_Biol_Fre5.dma Distance file: E:\Ade4\BUTTERFL\But_Biol_Fre5 Row: 16 Col: 1 Col used: 1 Origin: EDWARDS on E:\Ade4\BUTTERFL\But_Biol Euclidean distance / Uniform row weights Rank : 6 Inertia 5.380e-02 Num. Eigenval. R.Iner. R.Sum |Num. Eigenval. R.Iner. R.Sum | 01 +2.7262E-02 +0.5068 +0.5068 |02 +1.9696E-02 +0.3661 +0.8729 | 03 +3.6052E-03 +0.0670 +0.9399 |04 +2.1534E-03 +0.0400 +0.9799 | 05 +9.6421E-04 +0.0179 +0.9979 |06 +1.1557E-04 +0.0021 +1.0000 | File Bio.pcta contains the principal coordinates (norm=sqrt(lambda)) --- It has 16 rows and 6 columns File :Bio.pcta
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 7
Le rang est 6, ce qui veut dire que le nuage de points reconstituant la matrice de données est dans 6R . On peut, au vu du graphe des vecteurs propres, résumer ce nuage par une carte de dimension
2 :
Inner product reconstitution : quality index Drouet d'Aubigny 1989 p. 130. HS norm squared 1.150e-03 Num. Eigenval. R.Iner. R.Sum |Num. Eigenval. R.Iner. R.Sum | 01 +7.4322E-04 +0.6464 +0.6464 |02 +3.8794E-04 +0.3374 +0.9838 | 03 +1.2997E-05 +0.0113 +0.9951 |04 +4.6370E-06 +0.0040 +0.9992 | 05 +9.2970E-07 +0.0008 +1.0000 |06 +1.3355E-08 +0.0000 +1.0000 |
On peut à nouveau comparer les distances qui sont dans la matrice de départ, celles qui dérivent du nuage de points et celles qui sont proviennent des points projetées sur le plan.
Distance matrix computation from a statistical triplet ------------------------------------------ Input file: E:\Ade4\BUTTERFL\Bio.pcta It has 16 rows and 6 columns Distances are computed among rows ------------------------------------------ Computed distances use the diagonal metric and the centered table of the triplet Output file: E:\Ade4\BUTTERFL\Bio_MDpc It has 120 rows and 1 columns d(2,1), d(3,1), d(3,2),..., d(n,1), d(n,2), ... d(n,n-1) Text file: E:\Ade4\BUTTERFL\Bio_MDpc.dma 1 -> 16 2 -> 1 3 -> Euclidean distance from triplet E:\Ade4\BUTTERFL\Bio.pcta 4 -> TRUE ------------------------------------------
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 8
Conformément à la théorie, la distance entre deux points de la représentation euclidienne est exactement la distance de la matrice de départ. La somme des carrés de ces distances est représentée à 87% sur le plan factoriel de l’analyse en coordonnées principales.
Nous avons donc un tableau de variables environnementales qui a donné une matrice de distances environnementales et une matrice de distances biologiques qui a donné un tableau (abstrait) ou nuages de points représentant les distances biologiques. On peut donc comparer soit les distances soit les tableaux.
La corrélation entre les distances
Se pose alors la question de la corrélation entre matrices de distances. On peut comparer deux approches. La première, toujours possible, est traditionnelle et dérive du test de Mantel. Elle est
décrite dans 5 p. 114 et consiste simplement à considérer que la demi-matrice de distances est un
vecteur. La corrélation entre deux matrices de distances est la corrélation ordinaire entre deux variables qu’on notera ( )cor ,D E .
La seconde est réservée aux matrices de distances euclidiennes et est mathématiquement très
différente. Si D est une matrice de distances euclidienne, d’après le théorème de Gower 6, on
considère la matrice ( )∆ D et sa dérivée par double centrage :
( ) ( ) ( ) ( ) ( )20
12
tij ijd d = ⇒ ∆ = − ⇒ ∆ = − ∆ − D D D I Q D I Q
D est euclidienne si et seulement si ( )0∆ D est semi-définie positive. La diagonalisation de ( )0∆ D
est la base de l’analyse en coordonnées principales. Si E est également euclidienne, le produit
scalaire d’Hilbert-Schmidt, introduit pour la première fois en analyse de données par Escoufier 7 ,
entre les deux opérateurs défini par :
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 9
( ) ( ) ( ) ( )( )0 0 0 0traceHS
∆ ∆ = ∆ ∆D E D E
donne une mesure de corrélation entre les deux matrices par :
( ) ( ) ( )( ) ( ) ( )( ) ( )0 0
0 0
0 0
RV , cos , HS
HS HS
∆ ∆= ∆ ∆ =
∆ ∆
D ED E D E
D E
Le calcul est très simple puisqu’il reprend celui de Mantel sur les carrés des distances (en lieu des distances elles-mêmes) et en utilisant le double centrage de la matrice (qui implique le centrage simple sur le vecteur) pour calculer la corrélation. Le RV est toujours compris entre 0 et 1, tandis que la corrélation de Mantel est comprise entre -1 et 1.
On calcule les deux et le même test de permutations :
Correlation between two distance matrices First input file: E:\Ade4\BUTTERFL\But_Biol_Fre5.dma Text file: E:\Ade4\BUTTERFL\But_Biol_Fre5.dma 1 -> 16 2 -> 1 3 -> EDWARDS on E:\Ade4\BUTTERFL\But_Biol 4 -> TRUE Matrix used : 1 Second input file: E:\Ade4\BUTTERFL\ButEnvir_MDcn.dma Text file: E:\Ade4\BUTTERFL\ButEnvir_MDcn.dma 1 -> 16 2 -> 1 3 -> Euclidean distance from triplet E:\Ade4\BUTTERFL\ButEnvir.cnta 4 -> TRUE Matrix used : 1 Permutation test on r value (Manly 1991 p. 114) ------------------------------------------ Matrix 1 of E:\Ade4\BUTTERFL\But_Biol_Fre5 versus matrix 1 of E:\Ade4\BUTTERFL\ButEnvir_MDcn r index : 3.643e-01
On retrouve cette valeur simplement comme une corrélation :
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 10
[ 1] 3.6431e-01
Le test de Mantel donne un niveau de signification de 5% : number of random matching: 10000 Observed: 0.364315 Histogramm: minimum = -0.339187, maximum = 0.799806 number of simulation X<Obs: 9509 (frequency: 0.950900) number of simulation X>=Obs: 491 (frequency: 0.049100) |* |**************** |********************************* |********************************************** |************************************************** |**************************************** |**************************** |*********************** |******************* |************** |*********** |********** o->|******* |**** |** |* |* |* | |
Le test RV est un peu différent : Matrix 1 of E:\Ade4\BUTTERFL\But_Biol_Fre5 versus matrix 1 of E:\Ade4\BUTTERFL\ButEnvir_MDcn RV index : 4.371e-01 number of random matching: 10000 Observed: 0.437075 Histogramm: minimum = 0.015232, maximum = 0.718666 number of simulation X<Obs: 9890 (frequency: 0.989000) number of simulation X>=Obs: 110 (frequency: 0.011000) |************** |************************************************** |********************************************** |******************************* |******************** |************ |******* |***** |*** |** |* o->|
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 11
| | | | | | | |
La distribution est plus dissymétrique mais le niveau de signification est de l’ordre de 1%. L’interprétation de ces deux notions sont fort différentes. Le premier est le simple examen de la corrélation entre distances. Le graphique associé est celui d’un nuage bivarié :
Il est difficile d’identifier pourquoi les matrices de distances sont corrélées. Avec le RV, c’est beaucoup plus clair. En effet, le test est exactement celui de la co-inertie entre les deux représentations euclidiennes. Nous avons deux analyses d’inertie et pouvons chercher ce qui les relie :
SS
SB
WSBJRC
JRH
SJ CR
UO LO
DP
PZ
MC
IFAF
GH GL
-1
3-2 6
SS
SB
WSBJRC
JRHSJ
CR
UO
LO
DP
PZ
MC
IF
AF
GH
GL
-0.5
0.3
-0.5
0.3
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 12
On obtient le même résultat. Ce qui est significatif s’exprime alors dans l’analyse de co-inertie :
DiagoRC: General program for two diagonal inner product analysis Input file: E:\Ade4\BUTTERFL\A.iita --- Number of rows: 6, columns: 4 ----------------------- Total inertia: 0.0474528 ----------------------- Num. Eigenval. R.Iner. R.Sum |Num. Eigenval. R.Iner. R.Sum | 01 +4.5470E-02 +0.9582 +0.9582 |02 +1.8657E-03 +0.0393 +0.9975 | 03 +1.0905E-04 +0.0023 +0.9998 |04 +8.3988E-06 +0.0002 +1.0000 |
Un seul axe de co-inertie mérite d’être dépouillé. On retrouve le RV entre les deux matrices de distances, comme RV entre les deux représentations euclidiennes. Co-inertia analysis between two statistical triplets 1 ---> E:\Ade4\BUTTERFL\ButEnvir.cnta (rows: 16, col: 4, axes: 2, inertia: 4.0) 2 ---> E:\Ade4\BUTTERFL\Bio.pcta (rows: 16, col: 6, axes: 2, inertia: 0.053797) Co-inertia: 0.047453, RV coefficient: 0.43707
L’analyse repère qu’il faut associer l’axe 2 du nuage de la représentation euclidienne des données biologiques à l’axe 1 du nuage des données environnementales pour rendre compte de 96% de la co-inertie des deux nuages. Ceci se voit simplement sur les cartes des analyses simples :
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 13
1
2
12
S S
SB
WSBJRC
J RH
SJ CR
UO LO
DP
PZ
MC
IFAF
GH GL
S S
SB
W SBJRC
JRHSJ
CR
UO
LO
DP
PZ
MC
IF
AF
GHGL
-0.5
0.3
-0.5
0.3
Ceci se voit sur les matrices de distances :
Sur la matrice de distances biologiques, on voit clairement l’élément qui la relie à la matrice de distances environnementales en même temps qu’il existe un autre élément de structure qui n’existe pas dans son vis-à-vis.
Diverses situations
Il convient alors d’énumérer plusieurs situations concrètes. La première est la plus simple :
TableauMilieu
Tableaubiologique
Analysessimples
Co-inertieTest RV
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 14
Quand on a deux tableaux qui supportent deux analyses, toute l’information est donnée par l’analyse de co-inertie du couple. Evidemment, des deux analyses simples on peut induire deux matrices de distances et étudier la corrélation entre matrices :
Distancesbiologiques
TableauMilieu
TableaubiologiqueDistances
Milieu
Analysesimple
AnalysesimpleTest de Mantel
Cette stratégie est nettement plus faible que la première. On aura simplement un niveau de signification peu interprétable. Avec deux tableaux de données supportant naturellement deux analyses simples, le passage par les matrices de distances ne s’impose pas.
La situation se complique quand on désire utiliser une distance qui pour une raison ou une autre n’est pas simplement reliées à une analyse de base :
Distancesbiologiques
TableauMilieu
TableaubiologiqueDistances
Milieu
Test de Mantel
C’est une situation fréquente. Par exemple, dans le cas étudié on peut utiliser pour les variables
environnementales la distance de Manhattan, ou de Cain & Harrison (référence p. 20 dans 8), ou
D3 de Gower & Legendre 6
(distance non euclidienne) :
( ) ∑ =
−= p
kk
jkik
r
xx
pjid
121
, avec ( )∑ = −= n
i kikk mxn
r1
21 et ∑ == n
i ikk xn
m1
1
Distance matrix computation from dissimilarity coefficients Dissimilarity coefficients amongst quantitative variables Gower J.C. & Legendre P. (1986) Metric and Euclidean properties of dissimilarity coefficients Journal of Classication, 3, 5-48 Table 3 p. 27 Input file: E:\Ade4\BUTTERFL\ButEnvir It has 16 rows and 4 columns Distances are computed among rows City-Block/Range = Manhattan/ Standard deviation D3 coefficient of GOWER & LEGENDRE Non Euclidean distance Distances are computed by
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 15
dij = (1/p)Sum|xik-xjk|/sk 1<=k<=p sk = standard deviation 1<=k<=p Output file: E:\Ade4\BUTTERFL\ButEnvir_Dqv2 It has 120 rows and 1 columns d(2,1), d(3,1), d(3,2),..., d(n,1), d(n,2), ... d(n,n-1) Text file: E:\Ade4\BUTTERFL\ButEnvir_Dqv2.dma 1 -> 16 2 -> 1 3 -> S2 coefficient of GOWER & LEGENDRE on E:\Ade4\BUTTERFL\ButEnvir 4 -> FALSE
Pour les variables biologiques, on peut de même préférer la distance de Nei 9 :
−=
∑∑∑
i ii i
i ii
qp
qpd
224 ln
Distance amongst frequency distributions Input file: E:\Ade4\BUTTERFL\But_Biol It has 16 rows and 6 columns Distances are computed among rows d4=-ln( (Sum(p(i)q(i)) / sqrt( Sum(p(i)*p(i))*Sum(q(i)*q(i)) ) ) Nei 1972 in Avise 1994 p. 95 Test of the euclidean property by diagonalization (theorem of GOWER) Output file: E:\Ade4\BUTTERFL\But_Biol_Fre4 It has 120 rows and 1 columns d(2,1), d(3,1), d(3,2),..., d(n,1), d(n,2), ... d(n,n-1) Text file: E:\Ade4\BUTTERFL\But_Biol_Fre4.dma 1 -> 16 2 -> 1 3 -> NEI on E:\Ade4\BUTTERFL\But_Biol 4 -> FALSE
Dans ce cas, on doit se contenter d’éditer les matrices (on représente alors les distances plutôt que les carrés des distances, par souci de cohérence) et de tester la statistique de Mantel :
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 16
Matrix 1 of E:\Ade4\BUTTERFL\ButEnvir_Dqv2 versus matrix 1 of E:\Ade4\BUTTERFL\But_Biol_Fre4 r index : 2.399e-01 number of random matching: 10000 Observed: 0.239945 Histogramm: minimum = -0.320741, maximum = 0.769745 number of simulation X<Obs: 8563 (frequency: 0.856300) number of simulation X>=Obs: 1437 (frequency: 0.143700) |** |**************** |*********************************** |********************************************* |************************************************** |*************************************** |*************************** |******************* |************ |******* o->|************ |************* |********* |**** |* | | | |* |* Non euclidean distances. HS cosinus non available
Le résultat n’est pas fameux et on peut passer à côté de l’essentiel.
Il se peut également qu’on ne dispose, pour une raison quelconque que des matrices de distances. C’est souvent le résultat disponible dans la littérature. Si ces distances ne sont pas euclidiennes, on se contentera de la situation :
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 17
Distancesbiologiques
DistancesMilieu
Test de Mantel
Par exemple, en partant de la carte Yanomama (données de 10
dans 5) :
Input file: E:\Ade4\YANOMAMA\anthropo E:\Ade4\YANOMAMA\anthropo is a binary file with 19 rows and 19 columns Squared matrix: Ok Non negative value: Ok Dii = 0 for all i: Ok Symetric matrix: Ok Test of the euclidean property by diagonalization (theorem of GOWER) Output file: E:\Ade4\YANOMAMA\anthropo_R It has 171 rows and 1 columns d(2,1), d(3,1), d(3,2),..., d(n,1), d(n,2), ... d(n,n-1) Text file: E:\Ade4\YANOMAMA\anthropo_R.dma 1 -> 19 2 -> 1 3 -> Input distance file E:\Ade4\YANOMAMA\anthropo 4 -> FALSE
Input file: E:\Ade4\YANOMAMA\genetic E:\Ade4\YANOMAMA\genetic is a binary file with 19 rows and 19 columns Squared matrix: Ok Non negative value: Ok Dii = 0 for all i: Ok Symetric matrix: Ok Test of the euclidean property by diagonalization (theorem of GOWER) Output file: E:\Ade4\YANOMAMA\genetic_R It has 171 rows and 1 columns d(2,1), d(3,1), d(3,2),..., d(n,1), d(n,2), ... d(n,n-1) Text file: E:\Ade4\YANOMAMA\genetic_R.dma 1 -> 19 2 -> 1 3 -> Input distance file E:\Ade4\YANOMAMA\genetic 4 -> FALSE
Matrix 1 of E:\Ade4\YANOMAMA\anthropo_R versus matrix 1 of E:\Ade4\YANOMAMA\genetic_R r index : 2.996e-01 number of random matching: 10000 Observed: 0.299551
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 18
Histogramm: minimum = -0.362376, maximum = 0.591415 number of simulation X<Obs: 9534 (frequency: 0.953400) number of simulation X>=Obs: 466 (frequency: 0.046600) | |***** |**************** |********************************* |********************************************* |************************************************** |****************************************** |******************************* |*************************** |*************************** |**************************** |************************ |**************** o->|********** |****** |*** |** |** |* | Non euclidean distances. HS cosinus non available
Lorsque ces distances sont euclidiennes, on a alors une possibilité nouvelle par :
Distancesbiologiques
"Tableau"Milieu
"Tableau"biologique
DistancesMilieu
Représentationseuclidiennes
Analysessimples
Co-inertieTest RV
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 19
Dans l’exemple qui précède, si les matrices ne sont pas euclidienne à la lecture, c’est uniquement à cause du format d’édition dans l’ouvrage cité. Elles sont quasi-euclidiennes et supportent une excellente approximation :
File E:\Ade4\YANOMAMA\anthropo_R_qe contains distance half-matrices Rows = 171 Cols = 1 One half-matrix per column d21, d31, d32, d41, d42, d43, .. Text file: E:\Ade4\YANOMAMA\anthropo_R_qe.dma 1 -> 19 2 -> 1 3 -> Euclidean matrix by positive eigenvalues from E:\Ade4\YANOMAMA\anthropo_R 4 -> TRUE ------------------------------------------ File E:\Ade4\YANOMAMA\genetic_R_qe contains distance half-matrices Rows = 171 Cols = 1 One half-matrix per column d21, d31, d32, d41, d42, d43, .. Text file: E:\Ade4\YANOMAMA\genetic_R_qe.dma 1 -> 19 2 -> 1 3 -> Euclidean matrix by positive eigenvalues from E:\Ade4\YANOMAMA\genetic_R 4 -> TRUE
Alors :
Matrix 1 of E:\Ade4\YANOMAMA\anthropo_R_qe versus matrix 1 of E:\Ade4\YANOMAMA\genetic_R_qe RV index : 4.273e-01 number of random matching: 10000 Observed: 0.427270 Histogramm: minimum = 0.111225, maximum = 0.505320 number of simulation X<Obs: 9921 (frequency: 0.992100) number of simulation X>=Obs: 79 (frequency: 0.007900) | |****** |***************** |********************************* |********************************************** |************************************************
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 20
|************************************************** |****************************************** |******************************** |*************************** |******************* |************** |********* |***** |*** |** o->|* | | |
On est passé d’un seuil de 5% à un seuil de 1 pour mille. On a de plus la possibilité d’interpréter la corrélation par la co-inertie des deux représentations euclidiennes. En bref , le schéma est :
Distancesbiologiques
DistancesMilieu
Test de Mantel
Distancesbiologiques
DistancesMilieu
Représentationseuclidiennes
NON EUCLIDIEN EUCLIDIEN
Test de MantelTest RV
Co-inertieTest RV
Les deux tests RV mentionnés sont mathématiquement identiques. Ceci conduit à préférer, sauf raisons très particulières, les distances euclidiennes à celle qui ne le sont pas.
Distances et analyses simples
On peut alors faire une remarque simple. Toute analyse simple définit une distance et toute distance euclidienne définit une analyse simple. Il arrive que les deux points de vue soient identiques. C’est le
cas de la distance d’Edwards (11
, 12
p. 167) :
( )1
, 1p
ik jkkd i j p p
== − ∑
On a :
( ) ( )2
1 1
1, 1 2
2p p
jk ik jk ikk kd i j p p p p
= == − = −∑ ∑
soit :
( ) ( ) ( )2 22
1 1
11 ,
2p p
ik jk ikk kp d i j p p
= == ⇒ = −∑ ∑
A une constante près qui n’intervient pas dans les tests de corrélation, la distance utilisée est celle de l’ACP des fréquences transformée par y x= .
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 21
Tester le co-inertie entre l’ACP du tableau de variables biologiques et l’ACP du tableau de coordonnées spatiales sera exactement tester la corrélation entre distances biologiques d’Edwards et distances spatiales traditionnelles. On peut vérifier. Dans la stratégie tableau-tableau :
number of random matching: 10000 Observed: 11377.297852 Histogramm: minimum = 45.699284, maximum = 16615.679688 number of simulation X<Obs: 9959 (frequency: 0.995900) number of simulation X>=Obs: 41 (frequency: 0.004100) |********************* |************************************************** |**************************************** |**************************** |********************* |************** |*********** |****** |**** |** |* | | o->| | | | | | |
Dans la stratégie distances-distances :
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 22
Correlation between two distance matrices First input file: E:\Ade4\BUTTERFL\But_XY_EU.dma Text file: E:\Ade4\BUTTERFL\But_XY_EU.dma 1 -> 16 2 -> 1 3 -> Classical metric on E:\Ade4\BUTTERFL\But_XY 4 -> TRUE Matrix used : 1 Second input file: E:\Ade4\BUTTERFL\But_Biol_Fre5.dma Text file: E:\Ade4\BUTTERFL\But_Biol_Fre5.dma 1 -> 16 2 -> 1 3 -> EDWARDS on E:\Ade4\BUTTERFL\But_Biol 4 -> TRUE Matrix used : 1 Permutation test on r value (Manly 1991 p. 114) ------------------------------------------ Matrix 1 of E:\Ade4\BUTTERFL\But_XY_EU versus matrix 1 of E:\Ade4\BUTTERFL\But_Biol_Fre5 r index : 5.250e-01 number of random matching: 10000 Observed: 0.524990 Histogramm: minimum = -0.354353, maximum = 0.696797 number of simulation X<Obs: 9946 (frequency: 0.994600) number of simulation X>=Obs: 54 (frequency: 0.005400) |*** |************* |****************************** |*********************************************** |************************************************** |******************************************** |****************************************** |************************************* |********************************** |******************************** |*********************** |**************** |*********** |******* |*** |*** o->|* | | | Matrix 1 of E:\Ade4\BUTTERFL\But_XY_EU versus matrix 1 of E:\Ade4\BUTTERFL\But_Biol_Fre5 RV index : 4.695e-01
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 23
number of random matching: 10000 Observed: 0.469482 Histogramm: minimum = 0.005164, maximum = 0.628806 number of simulation X<Obs: 9962 (frequency: 0.996200) number of simulation X>=Obs: 38 (frequency: 0.003800) |********************** |************************************************** |**************************************** |******************************** |********************** |***************** |************* |******** |***** |*** |* |* | | o->| | | | | |
Les deux tests sont équivalents et les deux stratégies donnent le même test. On vérifie également que la distance issue de l’analyse est la distance calculée directement :
Distance matrix computation from a statistical triplet ------------------------------------------ Input file: E:\Ade4\BUTTERFL\B05.cpta It has 16 rows and 6 columns Distances are computed among rows ------------------------------------------ Computed distances use the diagonal metric and the centered table of the triplet Output file: E:\Ade4\BUTTERFL\B05_MDcp It has 120 rows and 1 columns d(2,1), d(3,1), d(3,2),..., d(n,1), d(n,2), ... d(n,n-1) Text file: E:\Ade4\BUTTERFL\B05_MDcp.dma 1 -> 16 2 -> 1 3 -> Euclidean distance from triplet E:\Ade4\BUTTERFL\B05.cpta 4 -> TRUE ------------------------------------------
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 24
Le lien entre la distance spatiale et la distance de Edwards est donc le lien implicite entre deux ACP sur les mêmes individus. Il est identique de faire directement l’ACP sur les racines des fréquences ou de calculer la matrice de distances et de faire sa représentation euclidienne. Pour des similarités sur données en 0-1, on verrait de même que le passage par la distance issue de l’indice de Sokal et
Michener (voir 13
) :
nda
S+=2
renvoie à l’ACP centrée du tableau en 0-1 car :
( ) ( )22
1
1, 1
n
ik jkk
a d c dd i j x y
n n n =
+ += − = = −∑
En effet c d+ est le nombre de couples de valeurs 0-1 ou 1-0 soit :
( )2
1
p
ik jkkc d x x
=+ = −∑
puisque les couples 0-0 et 1-1 donne dans la somme une valeur nulle. La représentation euclidienne d’une matrice de distances d’Edwards ou de Sokal et Michener est une ACP simple implicite. Une classification sur la distance issu de 2S , souvent pratiquée est une classification sur la métrique canonique sur les données binaires.
Sur l’exemple traité, on peut ainsi interpréter le RV entre matrice de distances par la co-inertie des deux ACP :
Co-inertia analysis between two statistical triplets 1 ---> E:\Ade4\BUTTERFL\But_XY.cpta (rows: 16, col: 2, axes: 2, inertia: 3963.5) 2 ---> E:\Ade4\BUTTERFL\B05.cpta (rows: 16, col: 6, axes: 2, inertia: 10.759) Co-inertia: 11377, RV coefficient: 0.46948
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 25
E:\Ade4\BUTTERFL\BB.iia2 is a binary file with 2 rows and 2 columns It contains the coordinates of the projections of inertia axes onto the co-inertia axes (table 2) In earlier version of ADE this file uses the extension cp2 File :E:\Ade4\BUTTERFL\BB.iia2 |Col.| Mini | Maxi | |----|----------|----------| | 1| 1.019e-01| 9.816e-01| | 2|-9.832e-01| 9.706e-02| |----|----------|----------|
1
2
C’est l’axe 1 de l’inertie du nuage des données biologiques qui est maintenant liée aux structures spatiales :
SS
SB
WSBJRC JRH
SJ CR
UOLO
DP
PZ
MC
IFAF
GH
GLSS
SB
WSB JRCJRH
SJCR
UO
LO
DP
PZ
MC
IF
AF
GHGL
-0.5
0.3
-0.5
0.3
On voit alors clairement les composantes spatiales et environnementales dans la matrice de distances biologiques :
Distancesspatiales
Distancesbiolog iques
Distancesenvironnementa les
Cet exemple montre que les co-inerties sous-jacentes aux liens entre matrices de distances permettent d’interpréter les corrélations significatives du test de Mantel ou du test RV. Le coefficient RV qui permet de faire de la géométrie dans les espaces d’opérateurs est le premier pas
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 26
vers la régression multiple ou la régression partielle (14
) entre matrices de distances par le biais des matrices de produits scalaires.
Notons encore que le test RV est basé sur les carrés des distances, valeurs associées dans les
espaces euclidiens aux produits scalaires. Manly 15
note :
The trouble is that distance measures are often arbitrary to the extent that if thety are changed by a monotonic transformation then the transformed distances may be equally valid.
C’est particulièrement juste pour le passage de la distance à son carré et c’est pourquoi Dietz 16
propose de passer aux rangs. Nous avons ici une raison de fond pour s’en tenir aux carrés des distances euclidiennes. Le test est unique et s’il est significatif, il est interprétable. Dans ce contexte, on peut résumer la situation par une boucle dans laquelle on peut entrer par le haut (tableau de données) ou le bas (matrice de distances) :
Dans ce schéma, toutes les situations dérivent de la précédente et sont toutes équivalentes. Quand on a deux schémas de ce type le RV rend l’ensemble cohérent :
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 27
Tableaux dedonnées
CentragePondérationscommunes
Introduction demétrique
Représentationseuclidiennes
CoordonnéesMétrique
canonique
Nuages depoints
Réduction dedimensionsCalcul dedistances
Matrices dedistances
euclidiennes
Nuages depoints
L’analyse de co-inertie est alors la méthode de couplage naturel de deux matrices de distances et étend l’analyse en coordonnées principales à un couple de tableaux. Il convient de la Correction for
negative values 17
n’a pas sa place ici. La PCoa (Principal coordinates analysis) ne se justifie que sur la base d’un théorème : s’il n’y a pas de valeurs propres négatives, alors il existe un nuage de points dans un espace euclidien, alors les coordonnées principales sont les coordonnées de ces points dans une des représentations euclidiennes possibles. Nous avons vu que, pour des raisons de précision numérique, une matrice peut sembler non euclidienne et que l’approximation par les valeurs propres positives corrigent ce détail, mais l’usage de distances qui ne sont pas euclidiennes par définition n’ont pas à subir cette transformation pragmatique.
Le test RV est alors le même sur les tableaux (test de co-inertie) ou sur les distances (test de Mantel utilisant le RV). Le passage à K matrices de données ou K matrices de distances est alors possible.
Références
1 Mantel, N. (1967) The detection of disease clustering and a generalized regression approach.
Cancer Research : 27, 209-220.
2 Manly, B.F. (1994) Multivariate Statistical Methods. A primer. Second edition. Chapman &
Hall, London. 1-215.
3 McKechnie, S.W., Ehrlich, P.R. & White, R.R. (1975) Population genetics of Euphydryas
butterflies. I. Genetic variation and the neutrality hypothesis. Genetics : 81, 571-594.
4 Legendre, L. & Legendre, P. (1984) Ecologie numérique. Tome 2 - La structure des données
écologiques. Masson, Paris. 2ème édition revue et augmentée : 1-344.
______________________________________________________________________
ADE-4 / Fiche thématique 6.1 / 12 - 99 / — page 28
5 Manly, B.F.J. (1991) Randomization and Monte Carlo methods in biology. Chapman and Hall,
London. 1-281.
6 Gower, J.C. & Legendre, P. (1986) Metric and Euclidean properties of dissimilarity coefficients.
Journal of Classification : 3, 5-48.
7 Escoufier, Y. (1973) Le traitement des variables vectorielles. Biometrics : 29, 750-760.
8 Digby, P. G. N. & Kempton, R. A. . (1987) Multivariate Analysis of Ecological Communities.
Chapman and Hall, Population and Community Biology Series, London. 1-205. (p.96).
9 Avise, J.C. (1994) Molecular markers, natural history and evolution. Chapman & Hall,
London. 1-511 (p. 95).
10 Spielman, R.S. (1973) Differences among Yanomama Indian villages: do the patterns of allele
frequencies, anthropometrics and map locations correspond?. American Journal of Physical Anthropology : 39, 461-480.
11 Edwards, A.W.F. (1971) Distance between populations on the basis of gene frequencies.
Biometrics : 27, 873-881.
12 Hartl, D.L. & Clark, A.G. (1989) Principles of population genetics. Sinauer Associates,
Sunderland, Massachussetts. 1-682.
13 Legendre, L. & Legendre, P. (1984b) Ecologie numérique. Tome 2 - La structure des données
écologiques. Masson, Paris. 2ème édition revue et augmentée : 1-344. Voir p. 6 et suivantes.
14 Smouse, P.E., Long, J.C. & Sokal, R.R. (1986) Multiple regression and correlation extensions of
the Mantel test of matrix correspondence. Systematic Zoology : 35, 627-632.
15 Manly, B.F.J. (1986) Randomization and regression methods for testing for associations with
geographical environmental and biological distances between populations. Researches on Population Ecology : 28, 201-218.
16 Dietz, E.J. (1983) Permutation tests for association between two distance matrices. Systematic
Zoology : 32, 21-26.
17 Legendre, P. & Anderson, M.J. (1999) Distance-based redundancy analysis: testing multispecies
responses in multifactorial ecological experiments. Ecological Monographs : 69, 1-24.